2026年のエンタープライズAI投資は、モデル精度の競争から、実装オーナーシップと測定設計の競争へと重心が移った。Deloitte、Gartner、Forresterが独立に報告した統計的ギャップは、技術成熟度の問題ではなく、経営設計とガバナンス測定の構造的失敗を露呈している。本稿では、「実装率80%・有意なROI報告35%」というこの収益性ギャップの三層構造を分解し、NIST AI RMFに基づく90日実装可能な対策フレームワークと、ROI測定モデルの再設計を提示する。2026年8月のEU AI Act施行を前に、ガバナンス成熟度が競争優位を決定する転換点が迫っている。

なぜ「技術の問題」ではなく「経営設計の問題」なのか

Deloitte 2025 M&A Trends Surveyは、M&A意思決定者の86%が生成AIを統合済みと報告する一方、有意なROIを報告したのは39%に留まることを示した。この47ポイントの乖離は、技術的実装能力と価値実現能力の分離を意味する。さらにDeloitteの別調査では、AI投資を増加させている企業が91%存在するにもかかわらず、ROI測定が可能と回答したのは26%のみであった。この65ポイントの測定ギャップは、投資判断が財務的根拠なく進行している構造的異常を示唆する。

Gartner 2025年調査では、経営層の57%が「AI ROI定義について合意形成ができていない」と回答している。これは技術的成熟度の問題ではなく、組織内での価値定義プロセスの不在を示す。Forrester 2025年レポートでは、従業員1000人以上の企業の62%が「AI案件を一貫して管理する部門が存在しない」と報告しており、責任分界の曖昧さが測定不能性を生んでいる。McKinsey 2025年分析では、全社横断的なROI測定を実施している企業はわずか18%であり、部門最適が全体最適を阻害している構造が明らかになった。

PoCの量産が生む「成功の錯覚」

多くの企業がPoCを年間10-30件実施し、「AI活用が進んでいる」という認識を形成する。しかし、PoCの技術的成功と本番環境での価値実現は異なる次元の課題である。PoCは制御された環境で限定データを用いるため、データ品質・統合性・運用負荷の問題が顕在化しない。製造業では、AI案件の72%がデータ品質問題により期待効果未達となっている。これはPoC段階では発見されず、本番移行後に初めて明らかになるケースが大半である。

PoCの量産は「技術検証の成功」を積み重ねるが、「事業価値の実現」には至らない。これは、PoCのKPIが技術指標（精度、処理速度）に偏り、事業指標（コスト削減額、売上増加率、業務時間短縮）との紐付けが設計されていないためである。結果として、CIOは「30件のPoC成功」を報告するが、CFOは「測定可能なROIゼロ」と認識する断絶が発生する。この断絶は、技術部門と財務部門の言語体系の相違から生じる構造的問題である。

CFOとCIOの断絶構造

CIOは「技術的実装率」を成果指標とし、CFOは「財務的投資収益率」を要求する。この二者の評価軸の非対称性が、組織内でのAI価値認識のギャップを生む。CIOが「LLM導入により問い合わせ対応時間が30%短縮」と報告しても、CFOは「その30%短縮が人件費削減または売上増加にどう寄与したか」を問う。この問いに答えられる測定設計が存在しない場合、技術成果は財務成果に翻訳されず、ROI報告不能となる。

複数企業の技術顧問・DXコンサルティング経験から言えば、この断絶を解消する鍵は「共通言語としてのKPI設計」である。コンサルの価値は答えを出すことではなく、クライアントが自走できる判断基準を渡すことにある。CIOとCFOが共通認識を持てるKPIは、技術指標と財務指標の中間に位置する「オペレーション指標」である。例えば、「問い合わせ対応時間30%短縮」を「対応可能件数40%増加」に翻訳し、さらに「追加採用不要によるコスト回避300万円/年」と財務化する三段階設計が必要となる。

「導入済み」と「価値化済み」のギャップを生む組織構造

多くの企業で、AI導入は技術部門主導で進むが、価値測定は事業部門に委ねられる。この責任分離が、導入と価値化の断絶を生む。技術部門は「システム稼働」を完了基準とし、事業部門は「業務改善効果」を期待するが、両者をつなぐ測定プロセスが設計されていない。結果として、「導入済み」という技術的ステータスと、「価値化済み」という事業的ステータスが乖離し、ROI報告不能に至る。

この構造的問題は、プロジェクトのゴール定義の曖昧さに起因する。技術部門は「AI搭載システムのリリース」をゴールとし、事業部門は「業務KPIの改善」をゴールとする。この二重ゴール構造が、プロジェクト完了後の責任の空白を生む。誰が価値測定の責任を負うのか、いつまでに測定を完了するのか、測定結果をどの会議体で報告するのか、これらが明文化されていない組織では、導入後の価値追跡が放棄され、ROI不明のまま次のプロジェクトに移行する悪循環が固定化する。

80%実装・35%ROI問題の分解

この収益性ギャップは、単一原因ではなく三層の構造的欠陥の複合効果である。第1層は実行オーナーシップの不在、第2層はガバナンス責任の分散、第3層は測定モデルの空白である。これらは独立した問題ではなく、相互に依存し悪循環を形成する。

第1層: 実行オーナーシップの不在

Forresterが報告した「AI案件を一貫管理する部門が存在しない62%」は、実行オーナーシップの不在を示す。多くの企業で、AI案件は「技術部門が実装し、事業部門が活用する」という分業構造で進む。しかし、実装と活用の間に存在する「運用定着」「効果測定」「継続改善」のプロセスを誰が所有するかが明確でない。結果として、リリース後の案件は「誰も責任を持たない孤児プロジェクト」となり、価値最大化の機会が失われる。

オーナーシップの不在は、意思決定の遅延と責任回避を生む。問題が発生した際、技術部門は「仕様通りに実装した」と主張し、事業部門は「期待した効果が出ない」と不満を述べるが、問題解決の責任主体が不明確なため、改善サイクルが回らない。この構造は、プロジェクト憲章やRACI図が形式的に作成されても、実質的な権限委譲と説明責任が伴わない場合に頻発する。

第2層: ガバナンス責任の分散

Gartnerが指摘する「AI ROI定義の合意形成不在57%」は、ガバナンス責任の分散を反映する。多くの企業で、AIガバナンスは「倫理委員会」「セキュリティ部門」「法務部門」「技術部門」に分散し、統合的な意思決定機構が存在しない。倫理委員会は公平性を議論し、セキュリティ部門はリスクを評価し、法務部門はコンプライアンスを確認するが、これらを統合して「事業価値とリスクのバランス」を判断する機能が不在である。

ガバナンスの分散は、意思決定の断片化と遅延を生む。各部門が独自の評価基準で判断するため、全体最適が阻害される。例えば、倫理委員会が「バイアス低減のため追加データ収集が必要」と判断し、セキュリティ部門が「データ収集はリスク増加」と反対し、法務部門が「GDPR対応のため収集範囲制限」を要求する場合、これらを調整する権限と責任を持つ主体が不在であれば、プロジェクトは膠着する。この構造的問題は、AIガバナンスが成長戦略になる2026年の構造転換で論じたように、ガバナンスを事後チェック機能から戦略的意思決定機能に再定義する必要性を示している。

第3層: 測定モデルの空白

Deloitteが報告した「ROI測定可能26%」は、測定モデルの空白を示す。多くの企業で、AI案件のROI測定は「プロジェクト終了後に実施する」という認識があるが、測定手法、データ収集方法、ベースライン定義、帰属ルールが事前に設計されていない。結果として、プロジェクト終了後に「測定不能」と判明し、ROI報告が放棄される。

測定モデルの空白は、三つの設計欠陥から生じる。第一に、ベースライン未定義である。AI導入前の状態を定量的に記録していないため、導入後の変化量を測定できない。第二に、帰属ルール不在である。業績改善が複数要因（AI導入、業務プロセス改善、市場環境変化）の複合効果である場合、AI寄与分を分離する方法論が存在しない。第三に、測定タイミング未設計である。効果が顕在化するまでの時間軸を考慮せず、短期的な測定で「効果なし」と誤判断するケースが頻発する。

小売業では、3か月以内にROI測定可能な案件が68%存在する一方、製造業ではデータ品質問題により72%が期待効果未達となっている。この業界間格差は、測定モデルの成熟度差を反映する。小売業は在庫回転率、来店率、購買単価など測定が容易なKPIを持つのに対し、製造業は品質向上、歩留まり改善、予知保全など測定に長期データと複雑な帰属分析を要するKPIが多い。この構造的差異を認識せず、一律の測定手法を適用することが、製造業でのROI報告失敗を生んでいる。

3層の相互依存と悪循環

これら三層は独立した問題ではなく、相互に依存し悪循環を形成する。オーナーシップ不在は、ガバナンス責任の分散を放置する動機となる。誰も全体責任を負わないため、ガバナンス機能の統合を推進する主体が現れない。ガバナンス責任の分散は、測定モデルの空白を固定化する。各部門が独自指標で評価するため、統一的な測定フレームワークが構築されない。測定モデルの空白は、オーナーシップ不在を正当化する。ROIが測定できないため、「誰が責任を持つべきか」という議論自体が曖昧化する。

この悪循環を断つには、三層を同時に設計する統合的アプローチが必要である。オーナーシップを明文化し、ガバナンス機能を統合し、測定モデルを事前設計する。これらを単独で実施しても効果は限定的であり、三層を連動させた設計が不可欠である。次章では、NIST AI RMFに基づく90日実装可能なガバナンス最小構成を提示する。

構造的対策: 90日で実装できるガバナンス最小構成

NIST AI Risk Management Framework (AI RMF) 1.0は、Govern、Map、Measure、Manageの四機能を定義する。これを90日実装可能な最小構成に再構成し、実行オーナーシップ、ガバナンス責任、測定モデルの三層を同時に設計するフレームワークを提示する。

Govern（1-30日）: 責任分界の明文化

Govern機能は、AI案件の意思決定権限と説明責任を明文化する。多くの企業で形式的なガバナンス文書は存在するが、実質的な権限委譲と責任追跡が機能していない。最小構成では、以下の三要素を30日以内に実装する。

第一に、AI Steering Committeeの設置である。CEO直下の意思決定機構として、CFO、CIO、事業部門長、法務・リスク責任者を含む委員会を設置する。この委員会は月次で開催し、全AI案件の投資判断、優先順位付け、リソース配分、リスク承認を実施する。重要なのは、この委員会が「助言機能」ではなく「意思決定機能」を持つことである。委員会の決定は経営会議承認を経て執行され、各部門はこれに従う義務を負う。

第二に、RACI図の実質化である。各AI案件について、Responsible（実行責任）、Accountable（説明責任）、Consulted（相談対象）、Informed（報告対象）を明文化する。形式的なRACI図は多くの企業に存在するが、実質的に機能していない。最小構成では、AccountableをAI Steering Committee委員の個人名で指定し、四半期ごとに成果報告を義務付ける。報告内容は、技術進捗ではなく事業KPI変化とROI試算である。

第三に、エスカレーションパスの設計である。問題発生時に、誰に、いつ、どの情報を報告するかを明文化する。多くの企業で、問題が放置される原因は、エスカレーション基準の曖昧さである。最小構成では、コスト10%超過、スケジュール2週間遅延、技術的ブロッカー発生、データ品質問題検出の四条件でエスカレーションを義務化し、48時間以内に対応方針を決定する運用を確立する。この設計思想は、NIST CSF 2.0のGovern機能とERM統合で論じたリスク統合管理の原則と一致する。

Map（1-45日）: ユースケース分類の固定

Map機能は、AI案件を標準カテゴリに分類し、カテゴリ別の評価基準とリスクプロファイルを定義する。多くの企業で、各案件が独自基準で評価され、横断的な比較と優先順位付けが不能となっている。最小構成では、以下のユースケース分類を45日以内に確立する。

カテゴリROI期待値測定期間主要リスク
コスト削減（自動化）高（定量化容易）3〜6か月運用定着失敗
売上増加（推薦・予測）中（帰属分析困難）6〜12か月市場要因との分離
品質向上（検査・予知保全）中（長期効果）12〜24か月データ品質依存
リスク低減（不正検知）低（予防効果測定困難）24か月以上偽陽性コスト
知識労働支援（生成AI）中（生産性測定困難）6〜12か月品質低下・依存

この分類により、案件ごとに適切な測定期間と評価基準が設定され、「3か月で効果なし」という短絡的な判断を回避できる。重要なのは、この分類を組織全体で共有し、新規案件は必ずいずれかのカテゴリに分類してから着手することである。カテゴリ分類不能な案件は、評価基準が不明確であるため、着手を延期または中止する判断基準とする。

Measure（15-75日）: 先行KPIと遅行KPIの分離

Measure機能は、AI案件の効果測定手法を事前に設計する。多くの企業で、ROI測定が「プロジェクト終了後に考える」という後回し構造になっているが、これが測定不能性を生む根本原因である。最小構成では、プロジェクト開始前に以下の測定設計を完了する。

第一に、先行KPIの定義である。先行KPIは、最終的な事業成果（売上、コスト）に先行して変化する運用指標である。例えば、顧客推薦AIの場合、最終KPIは「推薦経由売上」だが、先行KPIは「推薦クリック率」「カートへの追加率」「推薦表示回数」である。先行KPIは、AIシステムが正常動作しているかを早期に検出し、問題の早期修正を可能にする。

第二に、遅行KPIの定義とベースライン記録である。遅行KPIは、最終的な事業成果を示す財務・事業指標である。AI導入前の3-6か月間のベースラインを記録し、導入後の変化量を測定可能にする。重要なのは、ベースラインに季節変動、市場トレンド、他施策の影響を考慮した補正モデルを適用することである。単純な前年比較では、AI効果と他要因を分離できず、誤った帰属判断を生む。

第三に、測定頻度とレビュー運用の設計である。先行KPIは週次で測定し、異常検知時は即座に対応する。遅行KPIは月次で測定し、四半期ごとにAI Steering Committeeでレビューする。この二層測定により、短期的な運用問題と長期的な価値実現を分離して管理できる。10年以上の経営経験から言えば、10年会社を続けられたのは技術力ではなく撤退判断の速さのおかげである。測定設計の本質は、成功を証明することではなく、失敗を早期に検出し撤退または修正を判断する基盤を作ることにある。

Manage（30-90日）: ゲート条件の定量化

Manage機能は、AI案件のステージゲート条件を定量化し、Go/No-Go判断を標準化する。多くの企業で、プロジェクトは一度開始されると慣性で継続し、失敗が明らかになっても撤退判断が遅延する。最小構成では、以下のゲート条件を設定する。

ゲート1（PoC完了時）: 技術的実現可能性の確認。精度・速度などの技術指標が基準を満たすこと。データ品質が本番要件を満たすこと。運用コストが予算内に収まること。この三条件を満たさない場合、本番移行を中止する。

ゲート2（パイロット完了時）: 運用実現可能性の確認。実運用環境でシステムが安定動作すること。ユーザーがシステムを継続利用する意思を示すこと（利用率50%以上など）。先行KPIが改善傾向を示すこと。この三条件を満たさない場合、全社展開を延期し、問題修正後に再評価する。

ゲート3（展開後6か月）: 価値実現可能性の確認。遅行KPIが目標の70%以上を達成していること。運用コストが計画の120%以内に収まっていること。重大インシデント（セキュリティ侵害、大規模障害、倫理問題）が発生していないこと。この三条件を満たさない場合、継続・縮小・撤退の三択を経営判断する。

このゲート設計により、案件の継続判断が属人的判断ではなく定量的基準に基づくものとなり、AIガバナンス実装の2026年臨界点で指摘したシャドーAIの乱立を防ぐ制度的基盤となる。

測定モデル再設計: ROIを「単一値」から「三層指標」へ

従来のROI測定は「投資額に対する財務リターン」という単一値で評価される。しかし、AI案件の価値は財務リターンのみでは捉えきれない。測定モデルを再設計し、財務ROI、オペレーションROI、ガバナンスROIの三層指標で評価するフレームワークを提示する。

財務ROIは、直接的な金銭価値である。コスト削減額、売上増加額、利益率改善などを測定する。これは従来のROI指標と同様だが、帰属ルールの明文化が重要である。例えば、売上増加が複数施策の複合効果である場合、統計的手法（回帰分析、傾向スコアマッチング）でAI寄与分を推定する方法論を事前に定義する。

オペレーションROIは、業務効率と品質の改善である。処理時間短縮、エラー率低減、顧客満足度向上などを測定する。これらは直ちに金銭換算できない場合があるが、長期的な競争優位の基盤となる。例えば、顧客問い合わせ対応時間が30%短縮されても、即座に人件費削減に繋がらない場合、オペレーションROIとして記録し、将来的な採用抑制効果として評価する。

ガバナンスROIは、リスク低減とコンプライアンス対応である。セキュリティインシデント防止、規制違反回避、監査コスト削減などを測定する。これらは「発生しなかった損失」として評価が困難だが、2026年8月のEU AI Act施行により、ガバナンス不備の罰金リスクが顕在化する。ガバナンスROIは、予防的投資の価値を可視化し、短期的な財務ROI偏重を是正する機能を持つ。

財務ROI測定の落とし穴

財務ROI測定には三つの典型的な落とし穴がある。第一に、短期測定バイアスである。多くの企業が3-6か月でROI判断を求めるが、AI効果は長期的に顕在化するケースが多い。例えば、予知保全AIは、導入後1年間は設備故障を予防するが、その効果は「故障が発生しなかった」という不可視の成果であり、短期測定では過小評価される。

第二に、帰属の過大評価である。売上増加が観測された際、AI寄与分を過大に見積もり、市場環境改善や他施策の効果を無視する傾向がある。例えば、推薦AIを導入した月に売上が10%増加した場合、その全てをAI効果と帰属するのは誤りである。同時期に実施された広告キャンペーン、季節的需要変動、競合の値上げなど、複数要因を統計的に分離する必要がある。

第三に、コスト計上の不完全性である。AI導入コストとして、システム開発費は計上されるが、データ整備コスト、運用人件費、継続的な再学習コスト、障害対応コストが見落とされる。結果として、ROIが過大評価され、実際の収益性が期待を下回る。完全なコスト計上には、5年間のTotal Cost of Ownership (TCO)を見積もり、年次で配分する会計設計が必要である。

三層指標の四半期レビュー運用

三層指標を実効的に運用するには、四半期ごとのレビュープロセスを制度化する必要がある。AI Steering Committeeは、四半期末に全案件の三層指標を評価し、以下の四分類で継続判断を実施する。

第一カテゴリは「三層すべてが目標達成」である。これらの案件は、追加投資を承認し、他部門への横展開を検討する。第二カテゴリは「財務ROIは未達だがオペレーション・ガバナンスROIが達成」である。これらは、長期的価値を持つと判断し、継続を承認するが、財務ROI改善の具体策を要求する。第三カテゴリは「財務ROIのみ達成、他は未達」である。これらは、短期的な収益は出ているが、持続可能性に疑問があるため、リスク評価を強化し、ガバナンス改善を条件に継続を承認する。第四カテゴリは「三層すべてが未達」である。これらは、即座に撤退または大幅な方針転換を実施する。

このレビュー運用により、案件の継続判断が多面的評価に基づくものとなり、財務ROI偏重による短期主義と、技術的興味による無期限継続の両極端を回避できる。

業界別の収益性ギャップ

80%実装・35%ROI問題は、業界構造により異なる様相を示す。金融、製造、小売の三業界における収益性ギャップの構造的差異を分析する。

金融業界は、AI導入率92%と最も高い実装率を示すが、ROI測定可能性は他業界と同程度である。金融業界の特徴は、規制対応の必要性がAI導入を推進する一方、リスク管理要件がROI測定を複雑化することである。例えば、不正検知AIは、不正取引を防止する価値を持つが、その効果は「発生しなかった損失」として測定困難である。さらに、規制当局への説明責任として、AIの判断根拠を説明可能にする必要があり、これが追加コストとなりROIを圧迫する。

製造業界は、AI案件の72%がデータ品質問題により期待効果未達という最も深刻な状況にある。製造業の特徴は、OT（Operational Technology）とIT（Information Technology）の分離である。生産設備から収集されるデータは、フォーマット不統一、欠損値多発、リアルタイム性不足などの問題を抱える。AI案件は、データ整備に予想外の時間とコストを要し、ROI達成が遅延する。さらに、製造業のKPIは品質・歩留まり・稼働率など長期的指標が多く、短期的なROI測定が困難である。

小売業界は、3か月以内にROI測定可能な案件が68%と最も高い測定可能性を示す。小売業の特徴は、取引データが豊富で測定が容易なことである。在庫最適化、推薦システム、需要予測などのユースケースは、売上・在庫回転率・来店率など明確なKPIを持ち、因果関係の帰属分析も比較的容易である。ただし、小売業も「推薦経由売上」の帰属問題（推薦がなくても購入されたかの反事実推論）や、季節変動の影響除去など、高度な分析手法を要する課題を抱える。

これらの業界差異は、一律のROI測定手法が機能しないことを示す。業界構造を反映した測定モデルの設計が、収益性ギャップ解消の鍵となる。エンタープライズAI投資の構造的ギャップで指摘したように、業界別のベストプラクティス共有と測定手法の標準化が、産業全体の成熟度向上に寄与する。

2026年後半以降の予測: ガバナンス成熟度が競争優位を決める

2026年8月2日、EU AI ActのHigh-risk AI規制が完全施行される。これは、AIガバナンスが法的義務から競争優位の源泉へと転換する構造的転換点である。EU市場で事業を展開する企業は、High-risk AIシステム（採用、与信、医療診断、重要インフラなど）について、リスク管理システム、データガバナンス、技術文書、透明性、人間監督の五要件を満たす必要がある。違反時の罰金は、全世界売上の6%または3500万ユーロの高い方である。

この規制対応は、コンプライアンスコストではなく、競争優位構築の機会として再定義すべきである。ガバナンス成熟度の高い企業は、規制対応を既存プロセスに統合し、追加コストを最小化できる。一方、ガバナンス不在の企業は、規制対応のために大規模な組織改革とシステム改修を強いられ、競争力を喪失する。Gartner 2025年予測では、2027年までに大企業の45%がAIガバナンススコアを導入し、これが投資家・顧客・規制当局への信頼指標となる。

ガバナンス成熟度は、三つの次元で評価される。第一に、組織的成熟度である。AI Steering Committeeの実効性、RACI図の実質化、エスカレーションパスの運用状況などが評価される。第二に、プロセス成熟度である。ユースケース分類の標準化、測定モデルの事前設計、ゲート条件の定量化などが評価される。第三に、技術的成熟度である。AIシステムの説明可能性、監査可能性、バイアス検出・緩和機能などが評価される。

2026年後半以降、この三次元成熟度が、AI案件の成功率とROI実現率を決定する主要因となる。技術的優位性は依然として重要だが、それを事業価値に変換するガバナンス能力がなければ、投資は収益化されない。80%実装・35%ROI問題は、技術成熟度とガバナンス成熟度の乖離が生む一時的な現象であり、2027年以降はガバナンス成熟度の低い企業が淘汰される構造的転換が予測される。

FAQ

Q1: 35%ROI問題は厳密な単一統計か、それとも複数調査の総合解釈か

Deloitte M&A Trends Survey 2025の「有意ROI報告39%」が最も近い単一統計だが、本稿の35%は複数調査（Deloitte 26%、McKinsey 18%など）の中央的傾向を示す概数である。

Q2: まず最初に着手すべき項目は何か

AI Steering Committeeの設置とRACIの実質化である。オーナーシップ不在が他の全問題の根本原因であり、これを解決しない限り測定モデルもガバナンスも機能しない。

Q3: 技術刷新よりガバナンス整備を優先してよいか

ガバナンス整備を優先すべきである。技術的に優れたAIシステムも、運用定着と価値測定の仕組みがなければROI実現に至らない。ガバナンス整備後に技術刷新を実施する方が、投資効率が高い。

Q4: ROIが出ない案件はすべて停止すべきか

三層指標で評価すべきである。財務ROIは未達でも、オペレーションROIやガバナンスROIが高い案件は、長期的価値を持つ。ただし、三層すべてが未達の案件は即座に撤退判断すべきである。

Q5: 中小企業でも90日ガバナンス構成は実装可能か

実装可能である。規模に応じて簡素化し、AI Steering Committeeを経営会議に統合する、RACI図を主要案件のみに適用するなどの調整で、同等の効果を得られる。

Q6: NIST AI RMFの導入コストはどの程度か

既存のリスク管理・プロジェクト管理プロセスに統合する場合、追加コストは最小限である。新規にプロセス構築する場合、コンサルタント支援を含めて500万-2000万円程度が目安となる。

Q7: ガバナンス整備の効果はいつ可視化されるか

運用定着率・エスカレーション対応速度などの先行指標は3か月以内に改善が見える。ROI実現率などの遅行指標は6-12か月後に顕在化する。四半期レビューで進捗を追跡することが重要である。

参考文献